人人可懂的模式识别（原书第2版）

《人人可懂的模式识别》以其深入浅出的讲解方式，成功打破了专业壁垒，将原本可能晦涩难懂的技术知识转化为生动有趣的阅读体验。作者以日常生活中的实例为引子，逐步引导读者探索模式识别的核心原理、算法逻辑以及广泛应用。这种贴近生活的讲解方式，不仅降低了学习门槛，更激发了读者的好奇心和探索欲。书中内容全面且结构清晰，从基础概念到高级技术，从理论探讨到实践应用，无所不包。无论是初学者希望快速入门，还是专业人士希望深化理解，都能在这本书中找到适合自己的内容。作者还巧妙地穿插了案例分析、实操指南和前沿技术介绍，让读者在掌握理论知识的同时，也能感受到模式识别技术的实际价值和无限潜力。这是一本值得每一位对科技、人工智能、模式识别等领域感兴趣的读者拥有的好书。它不仅能够帮助你快速入门并掌握核心知识，更能激发你的创新思维和探索精神。我坚信，这本书将成为你探索未知世界的得力助手和宝贵财富。

本书是日本人工智能领域的畅销书，作者均为模式识别领域的知名学者，他们基于多年的研究、实践经验和独特的视角，从模式识别的基本概念开始，以通俗易懂的语言介绍了机器学习、识别函数设计、特征的评价、特征空间的变换、子空间法、最小二乘法等常用的模式识别基础知识和算法。此外，精心设计的习题能帮助读者进一步深入理解模式识别理论，心得栏目提供了作者在实际研究中的一些很有价值的思考。本书内容深入浅出且具有新意，适合对模式识别感兴趣的初学者，对专业人士也具有较高的参考价值。

石井健一郎，毕业于东京大学，曾在美国普渡大学做客座研究员，并曾就职于日本通信科学基础研究所从事文本识别、图像处理的研究和应用，现任名古屋大学大学院情报科学研究科教授。

CONTENTS
目    录
前言
初版前言
符号一览表
第1章  模式识别概述??1
1.1  模式识别系统的构成??1
1.2  特征向量与特征空间??2
1.3  原型与最近邻规则??6
习题??10
第2章  学习与识别函数??12
2.1  学习的必要性??12
2.2  最近邻规则和线性识别函数??13
2.3  感知器的学习规则??16
2.4  感知器的学习实验??25
2.5  分段线性识别函数??28
习题??33
第3章  基于误差评价的学习??35
3.1  平方误差最小化学习??35
3.2  误差评价与感知器??44
3.3  神经网络与误差反向传播法??48
3.4  3层神经网络实验??54
3.5  中间层功能的确认实验??57
习题??62
第4章  识别单元的设计??63
4.1  参数学习与非参数学习??63
4.2  参数的估计??66
4.3  识别函数的设计??69
4.4  特征空间的维度和学习模式数??77
4.5  识别单元的最优化??81
习题??84
第5章  特征评价与贝叶斯误差??86
5.1  评价特征??86
5.2  类间方差与类内方差的比??87
5.3  贝叶斯误差??88
5.4  贝叶斯误差与最近邻规则??92
5.5  贝叶斯误差估计法??99
5.6  特征评价的实验??105
习题??108
第6章  特征空间的变换??110
6.1  特征选择与特征空间的变换??110
6.2  特征量的归一化??113
6.3  KL展开??116
6.4  线性判别法??125
6.5  KL展开的适用法??147
习题??151
第7章  子空间法??154
7.1  子空间法的基础??154
7.2  CLAFIC法??155
7.3  子空间法和相似度法??158
7.4  正交子空间法??162
7.5  学习子空间法??163
习题??164
第8章  学习算法的一般化??165
8.1  期望损失最小化学习??165
8.2  各种损失??166
8.3  概率下降法??171
习题??176
第9章  学习算法与贝叶斯决策规则??177
9.1  基于最小二乘法的学习??177
9.2  最小二乘法和各种学习法??188
习题??191
附    录??192
结    语??200
参考文献??203